2. INTELLIGENZA ARTIFICIALE: IL PUNTO TECNOLOGICO
2.1 Intelligenza Artificiale: cos’è e come funziona
L´IA non è un´idea nuova. Non esiste una sola definizione di IA e non c’è nemmeno un ampio consenso tra ricercatori e informatici su come possa essere definita, perché il concetto comprende una grande quantità di argomenti che vanno dalla pura informatica alla neurologia, passando per gli studi su come funziona il nostro cervello. In linea di massima si può dire, genericamente, che l’intelligenza artificiale è la scienza che si occupa di come creare macchine intelligenti, e che ha trovato nelle possibilità offerte dall’informatica la via più pratica e probabile per ottenere un simile risultato. Questo ambito della scienza è strettamente legato a quello ancora più ampio che da tempo cerca di rispondere alla domanda delle domande: come funziona l’intelligenza umana? Le scoperte sull’intelligenza potrebbero portarci a sviluppare la migliore IA possibile, ma secondo altri ricercatori potrebbe avvenire il contrario: sviluppando un’IA potremmo scoprire cose su come funziona il nostro cervello.
Semplificando, l’intelligenza è l’insieme delle capacità psichiche e mentali che permettono di pensare, comprendere le azioni e i fatti, e saperli spiegare, fino ad elaborare modelli astratti partendo dalla realtà. Questi processi portano alla capacità di ottenere un risultato di qualche tipo, con vari livelli di efficienza a seconda dei casi. L’intelligenza è quasi sempre riferita all’intelligenza umana, l’unica di cui abbiamo una conoscenza e un’esperienza diretta, e questo complica la nostra capacità di immaginare intelligenze diverse, che magari potrebbero essere più adatte per lo sviluppo di una IA.
In secoli di studi, scientifici, ma anche filosofici, sono stati identificati particolari meccanismi che sono alla base dell’intelligenza. Traendo ispirazione dal loro funzionamento, è stato possibile realizzare computer che imitano parte di questi meccanismi. Il problema è che, a oggi, non si è ancora riusciti ad imitarli e integrarli tutti, quindi i sistemi di IA di cui disponiamo sono sostanzialmente incompleti. Un software può quindi imitare i meccanismi necessari per vincere una partita a “go”, o per guidare un’automobile automaticamente rispettando il codice della strada, migliorando queste capacità e diventando “intelligente” in senso lato.
In decenni di ricerche, sono state provate diverse soluzioni per raggiungere un’IA vera e propria. Di base sono stati scelti due approcci: uno è consistito nell’osservare il comportamento umano, il modo in cui ragioniamo e ci comportiamo, per costruire software che imitino il più possibile i nostri processi logici. L’altro, più creativo, prevede di partire dai problemi che pone la realtà e, sulla base di questi, fare elaborare all’IA un proprio metodo di comportamento. I due approcci spesso si incrociano e uno non esclude necessariamente l’altro, anche perché i progettisti sono comunque esseri umani, con un loro modo di pensare e ragionare che si riflette nella progettazione dell’IA.
Nel frattempo, stanno emergendo sempre più tecnologie, nuove e importanti, rese possibili dal simultaneo sviluppo dei big data, dei sistemi cloud storage e dell’elaborazione dati, tre precondizioni perché l’IA possa crescere. Fra queste, Forrester ne ha individuate 13 come le più
importanti per le imprese e per lo sviluppo e l’implementazione di applicazioni nei processi aziendali, mirando ad agevolare i processi di decision-making.
Ciascuna di queste tecnologie sembra avere in comune alcuni elementi:
• Rappresenta già o giocherà presto una parte importante nell´aumentare la collaborazione tra uomo e macchina;
• È commercialmente disponibile presso almeno un fornitore e non si tratta solo di un progetto di ricerca;
• Possiede un potenziale valore per il business in molti campi diversi.
Organizzate secondo diverse fasi a seconda del livello di maturazione, si riportano di seguito 10 tecnologie, considerate di particolare rilevanza:
• Natural Language Processing – È l’elaborazione del linguaggio naturale, ovvero il processo di trattamento automatico mediante un calcolatore elettronico delle informazioni scritte o parlate in una lingua naturale. In sostanza il NLP abilita una macchina a comprendere un testo, ma le garantisce anche capacità di espressione, per esempio la mette in grado di farne un riassunto. Il NLP è usato nel customer care, nei riassunti automatici, nelle analisi dei testi, ma anche nelle analisi del “sentiment”, per misurare il livello di emotività di un determinato discorso e interpretare se chi parla è favorevole, contrario, ironico, ecc. al concetto espresso.
• Speech Recognition – Trascrizione e trasformazione di discorsi di esseri umani per applicazioni informatiche. È attualmente usata nei sistemi di risposta vocale interattivi.
• Virtual Agent, assistenti virtuali – Attualmente sono sotto i riflettori dei media. Si va dai semplici chatbot, in pratica “segretari virtuali” in grado dialogare in automatico in chat con i clienti rispondendo a semplici e comuni domande, a sistemi più avanzati. Questa tecnologia è attualmente usata nel customer service e nella smart home.
• Piattaforme di machine learning – È un settore dell’informatica che dà ai computer la capacità di imparare senza essere stati esplicitamente programmati. In pratica, consiste nella capacità di un algoritmo di apprendere dai dati, ovvero di evitare gli errori commessi in precedenza. Le piattaforme di machine learning sono utilizzate in una vasta gamma di applicazioni per le imprese, principalmente per quanto riguarda previsioni e classificazioni di vario tipo.
• AI-optimized Hardware – Unità di elaborazione grafica (Gpu) e dispositivi specificamente disegnati e costruiti per eseguire in modo efficiente lavori di computazione.
• Decision Management – Motori che inseriscono ruoli e logica all’interno di sistemi di Intelligenza Artificiale e sono usati per set-up iniziali, training, manutenzione e calibratura. È una tecnologia matura, usata in una vasta gamma di applicazioni imprenditoriali per assistere o realizzare processi decisionali in automatico.
• Deep Learning Platform – Uno speciale tipo di machine learning che consiste in una rete neurale artificiale, usato attualmente soprattutto nella “pattern recognition” (ad esempio, il riconoscimento di sagome o volti da parte di sistemi di archiviazione di foto – come Google Photo o iCloud – o di apparecchiature di sorveglianza).
• Biometrica – Rende possibili interazioni più naturali tra esseri umani e macchine, compresa l’interazione con immagini, touch recognition, parole e linguaggio del corpo. È usata principalmente nelle ricerche di mercato.
• Robotic Process Automation – Utilizzo di testi o altri metodi per automatizzare l’azione umana in modo da supportare processi imprenditoriali efficienti. È utilizzata laddove è troppo costoso o scarsamente efficiente far eseguire determinati compiti agli esseri umani.
• Text Analytics e NLP – Il Natural Language Processing (NLP) usa e supporta il text analytics facilitando la comprensione di strutture e significato delle frasi, ma anche del loro “sentimento” e del loro intento attraverso metodi statistici e di machine learning. Sono usati nell’individuazione delle frodi e nella security.
Fonte: Forrester Research
2.2 Prospettive e limiti per l’adozione dell’IA nelle imprese
La tecnologia IA aiuta le imprese ad affrancare ed elevare la qualità del lavoro umano, contribuendo ad aumentare i fatturati e profitti e ad acquisire nuovi clienti, oltre che a limitare i rischi di un’attività e migliorare l’efficienza in generale. L’IA, tuttavia, non serve solo per ottimizzare l´apporto del lavoro umano, ma anche per:
• Amplificare l’intelligenza umana: l’IA agisce principalmente come ausilio per espandere l´intelligenza umana, fornendo conoscenze contestuali provenienti da dati cui la mente umana da sola non potrebbe accedere e/o elaborare;
• Affrancare i lavoratori da compiti banali o onerosi: vi sono responsabilità/funzioni in azienda per ricoprire le quali si richiede poco sforzo cognitivo umano, ciononostante esse sono state tenute fuori dall´ambito di utilizzo dell’IA;
• Abilitare i processi robotici adibiti all´auto-miglioramento e all’auto-correzione: le tecnologie IA possono essere molto utili nei casi in cui non ci sia più un’interazione diretta con l´essere umano dopo che un applicativo sia stato impostato e avviato.
L’IA, dunque, ha il potenziale per portare grandi cambiamenti in tutta l'impresa, trasformandola in un ecosistema, dal momento che spingerà verso queste direzioni:
• La trasformazione accelerata nelle applicazioni rivolte al cliente. Le organizzazioni di servizio e supporto clienti stanno già sperimentando una trasformazione al traino dell’IA, grazie all’utilizzo del riconoscimento vocale, della NLP, degli agenti virtuali e del machine learning. Questo non riduce semplicemente il volume delle chiamate: l’IA modificherà fondamentalmente le pratiche di assunzione e di formazione degli agenti di un’organizzazione, la creazione e la conservazione delle conoscenze, e le procedure ed i processi diretti verso il coinvolgimento dei clienti.
• Forti stravolgimenti nelle industrie tradizionali. I mutamenti legati all’IA non sono sempre immediatamente apparenti nelle industrie colpite. In alcuni casi, come spedizione e logistica, l’accumulo di tecnologie multiple impone all’industria un cambiamento importante, una volta che le tecnologie raggiungono un certo livello di maturità. L’introduzione di veicoli sufficientemente sicuri autoguidati per terra, mare o aria, è in corso da decenni, ma una volta che verranno introdotti, trasformeranno radicalmente il livello di servizio offerto sino a quel momento, il modello di business e lo stesso inquadramento dei dipendenti.
• Web interconnesso di intelligence aziendale. La tendenza ad antropomorfizzare l’intelligenza è un segno distintivo di ogni essere umano, e possiamo constatare come lo stesso venga esteso anche ai software di IA. Oggi Watson, Alexa e Cortana, come pure Amelia, ABIe e Holmes, sono più o meno noti come esempi concreti di applicazione di IA. I sistemi di IA che costituiranno la base delle imprese intelligenti in futuro, tuttavia, saranno simili nello sviluppo a molte altre tecnologie, rappresentando un ecosistema di pezzi interconnessi che si sostengono reciprocamente. Possiamo già vedere come gli sviluppatori stiano costruendo applicazioni intelligenti e stiano parlando di “pezzi” di Watson o di Cortana. L'IA nell’impresa comporterà spesso l'avvio a livello atomico, piuttosto che l’acquisto di una soluzione completa.
A valle di queste opportunità vanno fatte alcune considerazioni sui limiti di tale sviluppo. Sempre in base alla ricerca di Forrester, il maggior ostacolo all’adozione dell’IA sembra essere – a livello
generale – la paura di sostituire l’uomo con le macchine. La realtà è piuttosto diversa: il futuro sarà ibrido, con la presenza di esseri umani e di macchine che lavorano insieme per aumentare l’efficienza complessiva. A questo proposito, occorre tener conto di alcuni aspetti:
• Gli esseri umani e le macchine intelligenti funzionano meglio in tandem. Gran parte della preoccupazione attuale a proposito dei sistemi di IA deriva da un’ansia per la disoccupazione tecnologica. In verità, la maggior parte dei sistemi di IA non sempre e non solo sostituiscono personale: spesso permettono lo svolgimento di compiti a basso valore, troppo costosi o onerosi per l'uomo. Sono infatti gli esseri umani a dover collegare le tecnologie di tutte e tre le componenti sensoriali per costruire sistemi di IA che siano in grado di sentire, pensare e agire autonomamente.
• L'interazione uomo-computer supera di gran lunga l’interazione computer-uomo. Siamo solo all´inizio della scoperta di come le macchine possano comunicare più efficacemente con noi, e questa è un´area relativamente poco studiata.
• Use case più circoscritti offrono risultati migliori. Una vera IA oggi non esiste. Le aziende che hanno ottenuto successi reali da un punto di vista del business nell'utilizzo di questi sistemi hanno mantenuto ridotta la portata degli use case e hanno sviluppato le loro applicazioni in modo che l’IA potesse limitarsi a rispondere semplicemente a query, domande o input entro un ambito limitato. Le implementazioni più riuscite includono: agenti virtuali per il servizio clienti, analisi delle immagini nel settore della sicurezza e della sorveglianza, e sistemi di risposta vocale interattiva.
Una seconda considerazione è che, per quanto gli investimenti in tecnologia IA siano in aumento, le sfide che ostacolano l’adozione della tecnologia IA permangono, e includono l’assenza di alcuni elementi, fra cui:
• Un chiaro business case. Poiché lo sviluppo in corso dell’IA è un fenomeno relativamente recente, molte organizzazioni non hanno ancora capito come applicare l’IA per raggiungere obiettivi commerciali specifici. Come in molte tecnologie, i ricercatori e il mondo accademico sono stati i primi a sviluppare e a diffondere i sistemi di IA, mentre le imprese stanno appena cominciando a occuparsene. Senza un percorso ben orientato verso il raggiungimento del ROI, molte organizzazioni hanno difficoltà a giustificare gli investimenti in questo ambito.
• Competenze specializzate per costruire, implementare e gestire sistemi di IA. Esiste ormai un gruppo di ricercatori, noti nel mondo accademico, che si sta specializzando in deep learning e IA, mentre il pool di talenti nel mondo del business è ancora molto ridotto. Inoltre, siccome l’adozione dell’IA per il business è ancora allo stato embrionale, ancora meno persone hanno la capacità di interpretare l´IA e di applicarla al contesto aziendale. Questo non significa che domani si dovrà rinnovare completamente il personale di un’azienda, ma sarà necessario aggiungerne di nuovo. Ad esempio, una grande società di consulenza internazionale sta aggiungendo un linguista al proprio team con l’obiettivo di costruire un’applicazione in grado di classificare automaticamente un contenuto testuale.
• Una robusta piattaforma di gestione dati. In generale, i computer eseguono ciò che viene loro chiesto, un input cattivo produrrà quindi un output ugualmente cattivo (“garbage in, garbage out”), e questo è ancor più vero nel caso dei sistemi di IA. Questi sistemi necessitano spesso di enormi quantità di dati per imparare ad eseguire un’attività specifica. D’altro canto, “assicurare la qualità dei dati estratti da una grande varietà di fonti”, che dovrebbe essere un traguardo per molte organizzazioni, resta un obiettivo ancora lontano per la maggior parte delle imprese.
• Pratiche e processi di gestione del cambiamento. Al di là delle sfide che riguardano i singoli casi, le competenze e i dati aziendali, uno dei più grandi impatti organizzativi dei sistemi di IA,
e quello di cui le imprese sembrano essere più preoccupate, è l'impatto di tali sistemi sull’impresa stessa. La gestione del cambiamento sembra infatti essere considerata uno dei maggiori rischi, e indica la necessità di prepararsi a ristrutturazioni della propria forza lavoro a causa dell’IA.
Una prima conclusione indica che è importante adottare tecnologie IA in fase di maturazione e seguire i progressi di quelle che hanno un potenziale di sviluppo concreto. Questo per i seguenti motivi:
• I sistemi di IA richiedono ancora particolare cura nella progettazione, nell’ingegneria della conoscenza e nella compilazione dei modelli. L’obiettivo di molti sistemi di IA è quello di ottenere applicazioni funzionalmente autonome; il problema è che, per ingegnerizzare la conoscenza contenuta e per costruire modelli che sappiano recepire input ed eseguire azioni, i sistemi di IA richiedono sforzi significativi di progettazione.
• Le tecnologie IA richiedono nuove competenze, non nuovo personale. Esse implicano l´utilizzo di nuove abilità, come la familiarità con il deep learning, le tecniche di analisi testi e la computazione emotiva. Non è necessario né opportuno, tuttavia, acquisire nuovo personale specializzato in IA, separato dal resto del personale. Si possono sviluppare sistemi intelligenti con gli stessi addetti allo sviluppo e data science esistenti, adottando però nuovi modelli di collaborazione e nuovi ruoli, ma non senza aver fornito adeguata formazione.
Una seconda conclusione è che le tecnologie IA, attraverso i propri strumenti e le piattaforme di servizio già ora disponibili, consentono agli sviluppatori di applicazioni di mantenere la promessa di ulteriori applicazioni contestuali, accattivanti e intelligenti. Costruire sistemi complessi di IA può sembrare impossibile, quando in realtà molte funzionalità di IA sono già integrate oggi in applicazioni e processi aziendali esistenti. Per farlo occorre:
• Iniziare con un approccio modulare e poi scale-out. L’aggiunta dell’IA alle applicazioni aziendali non è un progetto monolitico: spesso l'intelligenza non viene fornita attraverso una singola applicazione che sia stata perfettamente addestrata e sintonizzata, ma attraverso l'aggiunta di funzionalità, sia una alla volta, sia nell’insieme.
• Sfruttare le piattaforme e i prodotti sul mercato per ottenere componenti prefabbricati di intelligenza. Non tutte le organizzazioni possono permettersi di costruire una grande unità interna dedicata all’IA, in particolare per cercare di risolvere problemi complessi quali analisi del linguaggio e alcuni aspetti della NLP e della NLG. Per questi use case, che richiedono competenze e dati di nicchia per i loro modelli fondamentali, è preferibile acquistare strumenti o piattaforme già sul mercato.
• Stabilire ordini di priorità nella raccolta e nella preparazione dei dati destinati specificamente ai compiti dell’IA. Senza dati, non ci può essere nessuna intelligenza. Tutte le tecnologie software analizzate in questo documento richiedono una certa quantità di formazione algoritmica per ottenere risultati. Raccogliere un numero sufficiente di dati adatti richiede inoltre tempo e investimenti. Anche se l’impresa non è pronta ad adottare tecnologie di IA avanzate, le applicazioni disegnate per la raccolta di dati di comportamento e per la revisione di pratiche e processi interni sulla rappresentazione delle conoscenze consentiranno domani una partenza molto rapida.
www.aspeninstitute.it - 04-11-2017
Continua ....
